民國前三年亨利‧福特（Henry Ford）推出 Model T，引進移動式裝配線
（moving assembly belts），是大量生產（mass production）時代的來臨。然而，
大量生產是沒有彈性的，因為產品是非常相似的，當供需開始平衡甚至是供過於 求的市場環境時，競爭情勢開始朝向產品個人化（individualization）、買方市場
（buyer market）甚至是一人市場（markets of one）。
Alvin Toffler 於「未來的衝擊」（Future Shock）一書中提出一種全新的生產 方式，以類似於標準化和大規模生產的成本和時間，提供客戶特定需求的產品和 服務。Davis 在「完美的未來」（Future Perfect）一書中首次將這種生產方式稱為
「大量客製化」（mass customization, MC）（Davis, 1987）。大量客製化利用資訊 科技的能力，以大量生產的成本，生產個人化的產品，符合每個顧客的特殊需求，
從行銷觀點來看，此模式能夠達到以便宜、迅速的方式生產多樣化的產品與服務
（Kotler, 1989）。
運輸及電信等基礎設備的進步，網際網路（Internet）的興起，企業產能不 斷增加，面對嚴峻的市場環境，企業壓縮產品生命週期，爭取更快的取得市場先 機。從生產、銷售、行銷、策略行銷到現在的關係行銷，企業不再將焦點放在產 品線上，而是轉移到顧客身上（Hogan, Lemon, & Rust, 2002），以用戶為中心的 產品設計逐漸受到重視。行銷 3.0（Kotler, Kartajaya, & Setiawan, 2010）是社群與 數位的時代，其行銷概念是價值，這個時代的消費者，以追求價值為本，對於產
需求層次理論（Maslow’s hierarchy of needs）所指，當低層次需求被滿足時，人 們會開始追求社交、尊重與自我實現等高層次的需求。自拍（selfie）、產品上的
‧
完美的預測他們自己的選擇（Riquelme, 2001）。使用者一般不確切知道哪個產品 或元件是他們想要擁有的（Mandl, Felfernig, & Tiihonen, 2011），即便人們知道他 們想要的是什麼，但是通常他們無法清楚的或完整的將這樣的資訊（規格）轉換 給製造商（Thomke & von Hippel, 2002）。在涉及專業領域時，顧客在表達自己內 在的需求時，通常是模糊的。
貳、資訊處理能力有限與資訊過載
John von Neuman 與 Oskar Morgenstem 在賽局理論（game theory）一書裡對 經濟決策制定描述一個數學基礎，就像之前的大多數理論一樣，他們視決策者是 理性的（rational）和一致的（consistent）。直至 Simon 在「Models of Man: Social and Rational」一書中提出有限理性（bounded rationality）一詞（Simon, 1957）， 指出人類的決策能力並不完美，此時，決策理論朝向協助人類的方向前進。民國 68 年，Amos Tversky 與 Daniel Kahneman 在展望理論（Prospect theory，也作前 景理論）著作裡，驗證了經濟理性模型無法描述人們在真實生活裡面臨不確定性 時所制定的決策。Albert Camus 曾說過一句話，生活是你所有選擇的加總（Life is the sum of all your choices），間接指出決策存在風險和不確定性且需要被協助
（Buchanan & O'Connell, 2006）。
有限理性說明在有限的時間和不夠的腦計算能力，決策者無法處理過多的資 訊。社群、智慧型手機，加速資訊分享與傳遞的速度，資訊過載（information overload）、海量資料（big data）已經是現在的資訊時代現象。海量資料時代的 來臨，如何快速找到相關資料，是很重要的研究議題。雖然顧客可以接收過載的 資訊，但是他們不願被過載，顧客渴望採取不同資訊處理策略來過濾出對他們有 用的資訊（Jacoby, 1984）。
參、數位產品客製化的問題
myVU 是一個以互動演化式演算法（interactive evolutionary algorithms, IEA）
為核心的推薦系統（recommender system）（Geyer-Schulz, Hahsler, & Jahn, 2000），
它觀察顧客的瀏覽行為，經過一系列的計算，來推薦資訊產品給會員。然而，在 資料稀少的情況下，myVU 的推薦精準度可能會有問題。Rodriguez、Diago 與 Hagiwara（2010）所提出的建築物外牆色彩推薦系統，是以互動遺傳演算法
（interactive genetic algorithms, IGA）與類神經網路（artificial neural networks, ANN）為核心的系統。系統收集使用者的對建築物色彩的評比資料，來推測使 用者喜歡的建築物外牆色彩，同樣的，系統也面臨資料稀少的推薦精準度問題。
系統在客製數位產品時，除了資料稀少的推薦精準度問題外，還有可能面臨 過度限定的問題（overspecialization）（Kim, Lee, & Ahn, 2011），也就是推薦的項 目過於相似，讓使用者覺得創意、多樣性不足的問題。
肆、研究問題與研究目的
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
7
綜合上述，本論文的研究問題為需求不確定、資訊過載（解答空間大）、資 料稀少的數位產品客製與創意設計問題，此問題難以被單一機制所解決，因此，
本論文提出一個系統來解決此問題，並達到以下的研究目的。
一、加入專家的設計概念，刺激使用者，解決模糊需求問題。
二、加入自助式概念，解決使用者對產品客製化需求與需求改變的問題。
三、加強資料過濾與分類技術，降低系統與使用者的資訊搜尋與資訊比對時 間，解決資訊過載的問題。
四、以互動式演化式計算為核心，解決資料稀少、創意問題。
五、以二位元與尺度型計算影像相似度，解決數位產品的內容分析問題。
六、以數位賀卡設計探討系統實務應用可行性。
‧
Simon 從情報（Intelligence）、設計（Design）、選擇（Choice）描述決策制 定的四個階段（Simon, 1960），後來在提及此決策模型時，常以 IDC 模型稱之。
決策程序的第一個階段稱為情報活動：搜索亟需決策的新情況；第二個階段稱為 過濾（information filtering）。資訊萃取重視的是資訊的正確，資訊過濾重視的是 符合個人需求（Belkin & Croft, 1992），也比較適合產品客製化議題。資訊過濾技 術後來被廣泛用於推薦系統（Resnick & Varian, 1997）內，在商業應用上，書籍
（Amazon.com）、電影（Netflix.com）、音樂（TiVo.com）已有不錯的成效。
壹、推薦系統
Goldberg、Nichols、Oki 和 Terry（1992）提出 Tapestry 系統解決電子郵件過 載的問題，讓使用者透過建立查詢（query）的方式來過濾出自己有興趣的電子 郵件。Tapestry 系統除了使用內容過濾（content-based filtering, CBF）的技術外，
還使用了協同過濾（collaborative filtering, CF）的技術，後被視為推薦系統的最 早應用。
資訊過濾技術整合至推薦系統內，後應用於多個領域（Park, Kim, Choi, &
Kim, 2012; Yuliana、Giner, Guillermo, & Alejandro, 2013），如書籍、文件、影像、
電影、音樂、醫學、電子商務、美食（gastronomy）、娛樂（entertainment）、數 位學習（e-learning）等，皆取得不錯成效。
推薦系統的定義，以「People provide recommendations as inputs, which the system then aggregates and directs to appropriate recipients」（Resnick & Varian, 1997）
與「Any system that produces individualized recommendations as output or has the effect of guiding the user in a personalized way to interesting or useful objects in a large space of possible opinions」（Burke, 2002）被廣為採用，且指出推薦的三個 重要元素：「個人的（individualized）、有趣（interesting）和有用的（useful）」。